Acquisition and Reconstruction Methods for Multidimensional and Quantitative Magnetic Resonance Imaging

Language
en
Document Type
Doctoral Thesis
Issue Date
2022-04-19
Issue Year
2022
Authors
Preuhs, Elisabeth
Editor
Abstract

Magnetic Resonance Imaging (MRI) is a tomographic imaging technique using the principles of nuclear magnetism of mostly the 1H nuclei, which are largely contained in the human body. This allows for insights to the interior tissue distributions. While its non-ionizing nature is advantageous compared to, e.g., Computed Tomography (CT), standard MRI only yields qualitative data allowing to discriminate different tissue boundaries without providing quantitative values. To enable quantitative MRI, multiple dimensions, i.e., spatial voxels and different physiological modes, e.g., cardiac and/or different contrast phases, have to be acquired simultaneously for a comprehensive diagnosis. From such data, dynamically resolved volumes can be reconstructed, allowing the assessment of quantitative biomarkers from different imaging contrasts. In this thesis, we investigated novel and extended solutions for multidimensional and quantitative MRI. The proposed methods were trained and evaluated on phantom data, as well as on several acquired in-vivo data sets from in total 49 volunteers.

First, we devised a Deep Learning (DL)-based reconstruction approach for Magnetic Resonance Fingerprinting (MRF) acquisitions. MRF acquires several highly undersampled imaging contrasts of the same slice by randomly changing the sampling parameters, resulting in temporal sequences for each spatial position. Our proposed framework uses spatial patches of these sequences as input and regresses them to quantitative relaxation T1 and T2 values. The results showed that the DL-based reconstruction yields accurate results well comparable to the State-of-the-Art (SOTA) reconstruction while reducing the computational effort during runtime.

We extended a 3-D cardiac sequence to sample single-contrast (SC) data with cardiac and respiratory phases continuously. Repetitive Inversion Recovery (IR) preparation pulses were further inserted to enable the sampling of multi-contrast (MC) continuous data on the T1 relaxation curve. A Cartesian pseudo-spiral sampling was used to enforce a pseudo-random undersampling pattern for the subsequent Compressed Sensing (CS)-based reconstruction. We proposed a pipeline which binned acquired data samples into different anatomic and contrast phases prior to the CS reconstruction. The T1 relaxation values fitted from different contrast bins were shown to be well comparable with the ground-truth (GT) values, as well as with a SOTA T1 mapping sequence in a quantitative phantom.

Lastly, we proposed motion extraction and binning pipelines towards an in-vivo application of the continuous SC and MC sequences for cardiac MRI. A DL-based classifier was used to determine the R-waves directly from the acquired imaging data to bin all samples into different cardiac phases. The extracted R-waves were comparable to the R-waves from the SOTA Electrocardiogram (ECG)-sensor for both SC and MC in-vivo data, but without the use of an additional sensor. Moreover, our DL-based approach recognized R-waves that were not detected by the ECG-sensor due to its interference with the magnetic field. Further, we proposed frameworks for extracting the respiratory motion directly from the acquired data, either from central 1-D projections, or from low-resolution 2-D images with an adapted version of the sampling scheme. Our results showed that the pipelines can be used for both types of cardiac in-vivo SC and MC data with the same set of parameters. Further, the image quality for all reconstructions could be improved with the utilization of the pipelines and the reconstruction of data samples from one respiratory phase.

Abstract

Die Magnetresonanztomographie (MRT) ist ein Bildgebungsverfahren, das sich die Prinzipien des Kernmagnetismus und vor allem der 1H-Kerne zunutze macht, die im menschlichen Körper weitgehend enthalten sind. Dies ermöglicht Einblicke in die inneren Gewebeverteilungen. Während die nicht-ionisierende Natur von MRT im Vergleich zu z.B. Computertomographie (CT) von Vorteil ist, erfasst das Standard-MRT nur qualitative Daten, die es erlauben, verschiedene Gewebegrenzen zu unterscheiden, ohne quantitative Werte zu liefern. Um ein quantitatives MRT zu ermöglichen, müssen für eine umfassende Diagnose mehrere Dimensionen, d.h. räumliche Voxel und verschiedene physiologische Modi, z.B. kardiale und/oder verschiedene Kontrastphasen, gleichzeitig erfasst werden. Aus solchen Daten können dynamisch aufgelöste Volumina rekonstruiert werden, die eine Bewertung von quantitativen Biomarkern aus verschiedenen Bildgebungskontrasten ermöglichen. In dieser Arbeit haben wir neuartige und erweiterte Lösungen für multidimensionale und quantitative MRT untersucht. Die vorgeschlagenen Methoden wurden sowohl an Phantomdaten als auch an verschiedenen in-vivo-Daten von insgesamt 49 Probanden trainiert und evaluiert.

Zunächst haben wir einen Rekonstruktionsansatz basierend auf Deep Learning (DL) für Magnetic Resonance Fingerprinting (MRF)-Akquisitionen entwickelt. MRF erfasst mehrere stark unterabgetastete Bildgebungskontraste derselben Schicht durch zufällige Änderung der Abtastparameter, was zu zeitlichen Sequenzen für jede räumliche Position führt. Der von uns vorgeschlagene Ansatz verwendet räumliche Ausschnitte dieser Sequenzen als Eingabe und regressiert sie zu quantitativen Relaxationswerten T1 und T2. Die Ergebnisse zeigten, dass die DL-Rekonstruktion genaue Ergebnisse liefert, die mit der Rekonstruktion nach dem Stand der Technik gut vergleichbar sind, während der Rechenaufwand zur Laufzeit reduziert wird.

Wir erweiterten eine 3-D Herzsequenz, um Einzelkontrast (EK)-Daten mit kardialen und respiratorischen Phasen kontinuierlich zu erfassen. Weiterhin wurden repetitive Inversion Recovery (IR)-Präparationsimpulse eingefügt, um die Abtastung von kontinuierlichen Multikontrast (MK)-Daten auf der T1-Relaxationskurve zu ermöglichen. Ein kartesisches Pseudo-Spiral-Abtastschema wurde verwendet, um ein pseudozufälliges Unterabtastungsmuster für die anschließende Compressed Sensing (CS)-basierte Rekonstruktion zu erzwingen. Wir haben ein Verfahren vorgeschlagen, die die aufgenommenen Daten vor der CS-Rekonstruktion in verschiedene anatomische und Kontrastphasen ordnet. Es konnte gezeigt werden, dass die T1-Relaxationswerte, die aus verschiedenen Kontrastbins abgeleitet wurden, gut mit den wahren Werten sowie mit einer T1-Mapping-Sequenz nach dem Stand der Technik in einem quantitativen Phantom vergleichbar waren.

Schließlich haben wir Bewegungsextraktions- und Binning-Verfahren für eine invivo-Anwendung der kontinuierlichen EK- und MK-Sequenzen für kardiale MRT vorgeschlagen. Ein auf dem DL basierter Klassifikator wurde verwendet, um die R-Wellen direkt aus den erfassten Bilddaten zu bestimmen und alle Datenpunkte in verschiedene kardiale Phasen einzuteilen. Die extrahierten R-Wellen waren mit den R-Wellen des Elektrokardiogramm (EKG)-Sensors nach dem Stand der Technik sowohl für EK- als auch für MK-in-vivo-Daten vergleichbar, jedoch ohne die Verwendung eines zusätzlichen Sensors. Außerdem erkannte unser DL-Ansatz R-Wellen, die vom EKG-Sensor aufgrund seiner Interferenz mit dem Magnetfeld nicht detektiert wurden. Des Weiteren haben wir Verfahren vorgeschlagen, um die Atmungsbewegung direkt aus den erfassten Daten zu extrahieren, entweder aus zentralen 1-D Projektionen oder aus niedrig aufgelösten 2-D Bildern mit einer angepassten Version des Abtastschemas. Unsere Ergebnisse zeigten, dass die Verfahren für beide Arten von kardialen in-vivo EK- und MK-Daten mit dem gleichen Parametersatz verwendet werden können. Außerdem konnte die Bildqualität für alle Rekonstruktionen durch die Verwendung der Verfahren verbessert werden, indem Datenpunkten aus einer Atmungsphase rekonstruiert wurden.

DOI
Faculties & Collections
Zugehörige ORCIDs